Redes Neuron Ales Artificiales Actualizado 2011

Universidad de Aquino Bolivia Sistemas Inteligentes Ingeniera de Sistemas Lic.
Omar Mayta -----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
REDES NEURONALES ARTIFICIALES

Las redes de neuronas artificiales (denominadas habitualmente como RNA o en ingls como: "ANN" Artificial Neural Network) es una paradigma de la inteligencia artificial inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexin de neuronas en una red que colabora para producir un estmulo de salida.
De la neurona biolgica a la neurona artificial. Las entradas Xi representan seales que provienen de otras neuronas y que son capturadas por las dendritas. Los pesos Wi son la intensidad de la sinapsis que conecta dos neuronas; tanto Xi como Wi son valores reales. es la funcin umbral que la neurona debe sobrepasar para activarse; este proceso ocurre biolgicamente en el cuerpo de la celula. Ventajas
Aprendizaje Adaptativo: Las RNA tienen la habilidad de aprender mediante una etapa que se llama etapa de aprendizaje. Esta consiste en proporcionar a la RNA datos como entrada a su vez que se le indica cul es la salida (respuesta) esperada. Es adaptativo porque pueden comportarse en funcin de un entrenamiento. Auto organizacin: Mientras que el aprendizaje es un proceso donde se modifica la informacin interna de la red neuronal artificial, la autoorganizacin consiste en la modificacin de la red completa con el fin de llevar a cabo un objetivo especfico. Tolerancia a fallos: Debido a que una RNA almacena la informacin de forma redundante, sta puede seguir respondiendo de manera aceptable aun si se daa parcialmente.
1
Universidad de Aquino Bolivia Sistemas Inteligentes Ingeniera de Sistemas Lic. Omar Mayta -----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Flexibilidad: Una RNA puede manejar cambios no importantes en la informacin de entrada, como seales con ruido u otros cambios en la entrada (ej. si la informacin de entrada es la imagen de un objeto, la respuesta correspondiente no sufre cambios si la imagen cambia un poco su brillo o el objeto cambia ligeramente) Tiempo real: La estructura de una RNA es paralela, por lo cul si esto es implementado con computadoras o en dispositivos electrnicos especiales, se pueden obtener respuestas en tiempo real.
Modelos de rede neuronales Existe una serie de modelos que aparecen en la mayora de estudios acadmicos y la bibliografa especializada.

Perceptrn Adaline Perceptrn multicapa Memorias asociativas Mquina de Bolzman Mquina de Cauchy Propagacin hacia atrs (backpropagation) Redes de Elman Redes de Hopfield Red de contrapropagacin Redes de neuronas de base radial Redes de neuronas de aprendizaje competitivo Mapas Autoorganizados (RNA) Crecimiento dinmico de clulas Gas Neuronal Creciente Redes ART (Adaptative Resonance Theory)
Aplicaciones
Finanzas. Prediccin de ndices Deteccin de fraudes Riesgo crediticio, clasificacin Prediccin de la rentabilidad de acciones) Tratamiento de textos y proceso de formas.

Reconocimiento de caracteres impresos mecnicamente. Reconocimiento de grficos. Reconocimiento de caracteres escritos a mano. Reconocimiento de escritura manual cursiva.
Alimentacin

Anlisis de olor y aroma. Perfilamiento de clientes en funcin de la compra. Desarrollo de productos. Control de Calidad.
Energa.

Prediccin consumo elctrico Distribucin recursos hidrulicos para la produccin elctrica Prediccin consumo de gas ciudad
Industria manufacturera.

Control de procesos. Control de calidad. Control de robots.
Medicina y salud

Ayuda al diagnostico. Anlisis de Imgenes. Desarrollo de medicamentos. Distribucin de recursos.
Ciencia e Ingeniera.

Anlisis de datos y clasificacin Ingeniera Qumica. Ingeniera Elctrica. Climatologa.
Transportes y Comunicaciones.

Optimizacin de rutas. Optimizacin en la distribucin de recursos
Modelo de una Neurona.
Donde: p: representa el vector de entrada. w: representa los pesos de la neurona. b: es una ganancia o bias. n: entrada de red a la funcin de transferencia. f: es la funcin de transferencia de la neurona. a: es la salida de la neurona Funciones de Transferencia Entre las funciones de transferencia tenemos:
Limitador fuerte (Hardlim):
Figura. Funcin de transferencia Hardlim.
Funcin de transferencia (Harlims):
Figura. Funcin de transferencia Hardlims
Funcin de transferencia lineal (purelin): (1.3.5)
Figura. Funcin de transferencia lineal.
Funcin de transferencia sigmoidal (logsig):
Esta funcin es comnmente usada en redes multicapa, como la Backpropagation, en parte porque la funcin logsig es diferenciable.
Figura. Funcin de transferencia sigmoidal
La tabla 1. se hace una relacin de las principales funciones de transferencia empleadas en el entrenamiento de redes neuronales. Relacin Nombre Entrada /Salida Limitador Fuerte Limitador Fuerte Simtrico Lineal Positiva Lineal hardlim hardlims poslin purelin Icono Funcin
Lineal Saturado
satlin
Lineal Saturado Simtrico
satlins
Sigmoidal Logartmico Tangente Sigmoidal Hiperblica Competitiva
logsig
tansig
compet
Tabla 1. Funciones de Transferencia Neurona con un vector de entrada.
Universidad de Aquino Bolivia Sistemas Inteligentes Ingeniera de Sistemas Lic. Omar Mayta ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Arquitectura de una red. Mltiples capas de neuronas.
Como se puede observar en la figura, se ha etiquetado la matriz de pesos que conecta al vector de entrada como un matriz de Pesos de Entrada por Input Weight, que tiene como fuente 1 (segundo superndice) y un destino 1 (primer superndice). Tambin, los elementos de la capa uno, tales como sus ganancias (bias), entradas netas, y las salidas tienen un superndice 1 que significa que ellos se asocian a la capa uno. A las siguientes capas se denota por por Layer Weight .
En la figura la red neuronal tiene entradas, neuronas en la primera capa, neuronas en la segunda capa, etc. Es comn para diferentes capas tener un nmero diferente de neuronas. Una constante 1 alimenta a las ganancias de cada neurona. Note que las salidas de cada capa intermedia son las entradas a la siguiente capa. As la capa 2 puede ser analizada como una capa de red con entradas matriz pesos de . La entrada a la capa 2 es ; la salida es neuronas, y una .
Las capas de una red multicapa juegan diferentes roles. La capa que produce la salida de la red neuronal se llama capa de salida. Todas otras capas se llaman capas ocultas. La red de tres capas que se muestra en la figura anterior tiene una capa de salida (layer 3) y dos capas ocultas (layer 1 y layer 2). Algunos autores se refieren a las entradas como una capa. No usaremos es designacin.
10
Universidad de Aquino Bolivia Sistemas Inteligentes Ingeniera de Sistemas Lic. Omar Mayta ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Notacin Abreviada
Bibliografa. Neural Network Toolbox, For Use with MATLAB, Howard Demuth, Mark Beale
11

Redes Neuron Ales Artificiales Actualizado 2011

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Redes Neuron Ales Artificiales Actualizado 2011

Diunggah oleh

Hak Cipta:

Format Tersedia

Universidad de Aquino Bolivia Sistemas Inteligentes Ingeniera de Sistemas Lic.

Omar Mayta -----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

REDES NEURONALES ARTIFICIALES

Control de procesos. Control de calidad. Control de robots.

Ayuda al diagnostico. Anlisis de Imgenes. Desarrollo de medicamentos. Distribucin de recursos.

Anlisis de datos y clasificacin Ingeniera Qumica. Ingeniera Elctrica. Climatologa.

Optimizacin de rutas. Optimizacin en la distribucin de recursos

Modelo de una Neurona.

Limitador fuerte (Hardlim):

Figura. Funcin de transferencia Hardlim.

Funcin de transferencia (Harlims):

Figura. Funcin de transferencia Hardlims

Funcin de transferencia lineal (purelin): (1.3.5)

Figura. Funcin de transferencia lineal.

Funcin de transferencia sigmoidal (logsig):

Figura. Funcin de transferencia sigmoidal

Lineal Saturado Simtrico

Sigmoidal Logartmico Tangente Sigmoidal Hiperblica Competitiva

Tabla 1. Funciones de Transferencia Neurona con un vector de entrada.

Arquitectura de una red. Mltiples capas de neuronas.

Anda mungkin juga menyukai